連合型クラスタリングは、分散されたラベルのないデータからパターンを抽出するという重要な課題に取り組んでいますが、性能とプライバシーのトレードオフが問題です。具体的には、埋め込み表現を送信することは敏感なデータ漏洩のリスクを伴い、クラスタプロトタイプのみを共有するとモデルの精度が低下します。このジレンマを解決するために、著者たちは「構造的プライバシー保護連合グラフクラスタリング（SPP-FGC）」という新しいアルゴリズムを提案しています。このアルゴリズムは、プライバシーを守りながら知識を共有するためにローカル構造グラフを活用し、従来の手法の限界を克服するものです。フレームワークはクライアントサーバーの明確なロジックに基づいており、各参加者はデータ間の関係を捉えたプライベート構造グラフを構築し、サーバーがそれを安全に集計します。SPP-FGCは効率的な一括処理モードを持つほか、複雑なデータに対しては反復プロセスを通じて性能を向上させることが可能です。広範な実験により、提案されたフレームワークは連合型ベースラインと比較してクラスタリング精度を最大10 ext{%}向上させつつ、プライバシーも確保することが示されています。